Przewidywanie stanu komórkowego w wcześniej nieznanych warunkach, takich jak choroba lub w odpowiedzi na lek, zazwyczaj wymagało ponownego szkolenia dla każdego nowego kontekstu biologicznego. Dziś Arc wprowadza Stack, model bazowy, który uczy się symulować stan komórkowy w nowych warunkach bezpośrednio w czasie wnioskowania, bez potrzeby dostrajania.

Stack uchwyca coś, co większość modeli pomija: kontekst komórkowy. Komórka T w zapalnej tkance zachowuje się inaczej, nie tylko z powodu swoich własnych genów, ale także z powodu swojego otoczenia. Stack przetwarza komórki razem i uczy się z tych relacji.

Podobnie jak tekstowe podpowiedzi kierują modelami językowymi, komórki służą jako podpowiedzi w Stack. Może obserwować komórki odpornościowe traktowane lekami i przewidywać, jak komórki nabłonkowe zareagują na ten sam lek, zadanie, do którego nigdy nie były explicite trenowane. To pierwszy model podstawowy na poziomie pojedynczej komórki zdolny do uczenia się w kontekście lub generalizowania do nowych zadań podczas wnioskowania.

Zespół zastosował Stack do zbudowania Perturb Sapiens: atlasu ~20 000 przewidywanych odpowiedzi komórkowych w 28 tkankach i 201 perturbacjach + podzbioru zweryfikowanego przy użyciu zarezerwowanych zbiorów danych, potwierdzając, że przewidywania odzwierciedlają rzeczywistą biologię.